AI时代软件开发的真实工作流不是“写代码”,是“驱动代码生成系统”.

最近，一篇来自开发者博客 Stavros 的文章引发了广泛关注。他分享了自己使用大模型（LLMs）开发软件的真实方式——这并不是简单的“AI 写代码”，而是一种彻底改变软件生产方式的工作流。

https://www.stavros.io/posts/how-i-write-software-with-llms/

核心结论可以用一句话概括：

👉 开发者正在从“写代码的人”，转变为“调度与验证代码的人”。

一、编程的乐趣，其实不在写代码

作者一开始就点出了一个很多人隐约感受到的变化：

• 过去以为自己喜欢“写代码”
• 现在发现真正喜欢的是“做东西（build things）”

而 LLM 的出现，让“写代码”这个环节被极大压缩。

换句话说：

代码从“创作对象”，变成了“中间产物”

这和当前流行的“Vibe coding”趋势高度一致：人类不再逐行编写代码，而是通过自然语言驱动系统生成实现。 (维基百科^[1])

二、核心工作流：对话 > 写代码

Stavros 的方法不是直接让 AI 写代码，而是更像这样一个循环：

1. 描述需求（而不是写实现）

• 用自然语言讲清楚要做什么
• 让 LLM 理解目标

2. 让模型生成代码

• 快速产出一个“可运行版本”
• 不追求完美结构

3. 运行 + 验证

• 直接跑起来
• 看是否符合预期

4. 继续对话迭代

• 修改需求
• 指出问题
• 让模型修复

👉 重点在于：整个过程是对话驱动的，而不是编辑器驱动的

三、关键策略：不要过度设计

文章里一个非常反直觉但重要的观点：

❌ 不要一开始就设计完美架构 

✅ 先生成能工作的代码，再逐步调整

原因很现实：

• LLM 擅长生成“具体实现”
• 不擅长长期一致的架构设计
• 过度抽象反而更难控制

这点也被其他开发者印证： LLM 写代码时，设计能力仍然明显弱于实现能力。 (arXiv^[2])

四、代码质量怎么保证？

作者并没有盲目信任 AI，而是强调：

1. 人类负责“判断”

• 代码是否符合预期
• 是否逻辑正确

2. 通过运行验证

• 真实执行 > 静态阅读

3. 接受“快速试错”

• 写坏代码没关系
• 修复成本很低

这本质上是一种工程策略转变：

👉 从“写对代码” → “快速得到正确结果”

五、为什么这种方式有效？

背后其实有三个结构性变化：

1. 代码成本接近于零

生成代码几乎没有边际成本

2. 试错成本极低

改错速度远超人工编写

3. 上下文能力增强

LLM 可以理解整段需求与历史对话

这也是为什么越来越多开发者认为：

写代码正在变成一种“搜索 +验证”的过程

六、但这不是“无脑 AI 编程”

作者其实明确反对一种极端做法：

👉 完全不理解代码、盲目接受输出

因为：

• LLM 仍然会犯错
• 容易生成“看起来正确”的代码
• 在复杂逻辑上不可靠

学术研究也表明：

• LLM 在语法层面很强
• 在语义和复杂逻辑上仍有明显缺陷 (arXiv^[3])

七、一个更真实的结论

这篇文章最有价值的地方，不在技巧，而在认知转变：

软件开发正在发生三件事：

1. 代码地位下降

• 不再是核心资产

2. 对话成为接口

• 自然语言 = 新的编程语言

3. 开发者角色变化

• 从 coder → orchestrator（调度者）

八、一句话总结

未来的软件开发，不是写代码，而是“让代码自己出现”。